효율적 의미 중심 사고은(는) 무엇을 하나요?

표현보다 의미를 먼저 생각하세요. 불필요한 자연어 구조를 간결한 의미 표현으로 변환하고, 압축된 표현 위에서 작업한 후, 사용자와 소통할 때만 다시 자연어로 확장하세요.

목표는 결과에 영향을 미치는 정보를 전혀 떨어뜨리지 않으면서 언어적 오버헤드를 최소화하는 것입니다. 단순히 단어 수를 줄이는 것은 의미가 없습니다.

활성화 시 다음 문구를 알리세요: "효율적 의미 중심 사고 스킬을 사용 중입니다."

사용 시기

다음과 같은 경우에 사용하세요:

작업에 여러 제약 조건, 개체, 종속성 또는 조건이 포함된 경우
동일한 정보가 반복적으로 참조되어야 하는 경우
여러 단계에 걸친 계획이 필요한 작업인 경우
에이전트가 정보를 비교, 필터링, 정렬, 순위 지정 또는 변환하는 경우
도구 워크플로우에 상당한 구조화된 상태가 포함된 경우
에이전트가 여러 작업에 걸쳐 상태를 유지해야 하는 경우
자연어 표현이 반복적으로 변하는 경우
개념이 관계, 술어, 값 또는 상태로 더 정확하게 표현될 수 있는 경우
언어적 반복이 의미를 거의 더하지 않는 대량의 정보를 에이전트가 처리하는 경우

사용하지 말아야 할 경우:

작업이 사소하고 압축이 제거하는 복잡성보다 더 많은 복잡성을 추가하는 경우
사용자가 일반적인 대화를 요청하는 경우
작업의 주요 결과물이 산문(prose)인 경우
압축이 모호함이나 중요한 뉘앙스를 제거하는 경우
기존 의미론적 기본 요소를 사용하는 대신 어휘를 새로 만들어야 하는 경우

철칙

의미가 먼저다. 표현은 그 다음이다. 압축은 의미가 보존된 후에만 가능하다.

표현을 짧게 만든다는 이유만으로 정보를 절대 제거하지 마세요.

구체적인 사실을 일반적인 추상 개념으로 절대 대체하지 마세요.

불확실성을 거짓된 정확성으로 절대 대체하지 마세요.

유용한 진술을 장식적인 언어로 절대 대체하지 마세요.

핵심 모델

자연어를 정보 그 자체가 아닌 정보의 인코딩으로 취급하세요.

모든 입력에 대해 다음을 구분하세요:

의미
├─ 개체(ENTITY)
├─ 행위(ACTION)
├─ 상태(STATE)
├─ 속성(ATTRIBUTE)
├─ 관계(RELATION)
├─ 제약(CONSTRAINT)
├─ 조건(CONDITION)
├─ 시간(TIME)
├─ 위치(LOCATION)
├─ 수량(QUANTITY)
├─ 선호(PREFERENCE)
├─ 목표(GOAL)
├─ 불확실성(UNCERTAINTY)
└─ 증거(EVIDENCE)

의미에 기여하지 않는 언어 구조는 보존하지 마세요.

예를 들어:

"700달러를 넘지 않고 배터리 수명이 좋은 노트북을 찾아줬으면 좋겠어."

다음과 같이 변환됩니다:

작업:찾기
대상:노트북

요구사항:
가격<=700USD

선호:
배터리=높음

단어는 사라집니다. 요구사항은 남습니다.

압축이 도움이 되는 경우

압축은 다음을 제거할 때 유용합니다:

반복
채우기 말
불필요한 수식어
반복되는 문법 구조
중복된 설명
반복되는 개체명
반복되는 제약 조건
장식적인 언어
결론을 바꾸지 않는 일반적인 진술

압축이 도움이 되지 않는 경우:

구체적인 사실
숫자 정밀도
인과 관계
예외
조건
불확실성
출처 표시
사용자 선호도
중요한 구분

AI 글쓰기 패턴 피하기

AI 생성 글의 많은 특징은 근본적으로 언어적 오버헤드입니다. 즉, 의미를 부풀리거나, 정형화된 표현으로 채우거나, 모호한 일반화로 구체적인 사실을 대체하는 것입니다. 이를 제거하는 것은 의미 압축의 일부입니다.

텍스트를 초안 작성하거나 편집할 때 다음 패턴을 피하세요:

부풀려진 중요성과 유산. "증거이다," "중대한 전환점," "진화하는 환경," "변화를 의미한다," "지울 수 없는 흔적," "더 넓은 역사에 기여한다"와 같은 표현은 사용하지 마세요. 일어난 일을 보고하세요. 그것이 얼마나 중요한지는 말하지 마세요. 구체적인 사실이 거창한 표현보다 낫습니다.

피상적인 -ing 분석. "그 중요성을 강조하며," "필요성을 강조하며," "연속성을 보장하며," "더 넓은 추세를 반영하며"와 같이 따라붙는 표현은 사용하지 마세요. 쉼표 뒤의 절이 논평이라면 자르거나 구체적인 사실로 바꾸세요.

홍보성 언어. "활기찬," "풍부한 유산," "숨막히는," "혁명적인," "유명한," "완벽한"과 같은 표현은 사용하지 마세요. 속성을 구체적으로 직접 명시하세요.

모호한 출처 표시. "전문가들은 믿는다," "관찰자들은 지적한다," "널리 인정받는다"와 같은 표현은 사용하지 마세요. 출처를 밝히거나 주장을 포기하세요.

판에 박힌 유명세 주장. "주요 매체에 소개된," "활발한 소셜 미디어 활동을 유지하는," "프로필이 소개된"과 같은 표현은 사용하지 마세요. 보도 내용을 나열하거나 생략하세요.

AI 어휘. "결정적인," "깊이 탐구하다," "향상시키다," "환경," "활용하다," "게다가," "추가로," "궁극적으로"와 같은 단어를 쌓아 올리는 것을 피하세요. 평이한 동등어를 선호하세요.

계사(copula) 회피. "역할을 한다," "의미한다," "나타낸다" 대신 "이다"를 사용하세요. 단순 계사를 사용하세요.

부정적 평행 구조. "X뿐만 아니라 Y도," "X가 아니라 Y," "X보다는 Y." 긍정을 직접 명시하세요.

3의 법칙. 항목을 "A, B, C"와 같이 세 개로 강제로 묶지 마세요. 내용이 허락할 때 두 개나 네 개를 사용하세요.

우아한 변주(elegant variation). 단어 반복을 피하기 위해 동의어를 바꾸는 것("연구... 조사... 논문")은 피하세요. 반복이 더 명확합니다.

Em dash 남용. 극적인 효과를 위해 "—"에 지나치게 의존하지 마세요. 쉼표와 마침표가 더 자연스럽게 읽힙니다.

따옴표/서식 특징. 굵은 글씨, 제목 대문자, 이모지를 서식으로 과도하게 사용하는 것을 피하세요.

테스트

문장이 인용문(pull-quote)으로 읽혀도 괜찮을 것 같다면(예: "이것은 올바른 방향으로의 큰 진전을 나타냅니다"), 일반 정보로 다시 작성하세요. 인용문 언어는 특이한 신호입니다.

프로세스

1단계 — 의미 추출(Semantic Extraction)

입력을 작업 의미(operational meaning)로 축소하세요.

사용자의 실제 목표를 식별합니다.
그 목표와 관련된 모든 개체를 식별합니다.
하드 요구사항(hard requirements)을 추출합니다.
선호사항(preferences)을 별도로 추출합니다.
조건과 예외를 추출합니다.
숫자 값과 비교 연산자를 추출합니다.
시간 및 지리적 제약 조건을 추출합니다.
불확실성을 보존합니다.
관련될 경우 증거와 출처 관계를 보존합니다.
작업에 영향을 미치지 않는 대화형 채우기 말은 무시합니다.

예시:

"아마 좀 싼 걸 원하는데, 500달러 정도면 좋겠고, 적어도 16GB RAM은 꼭 있어야 해."

다음과 같이 변환됩니다:

가격<=500USD
RAM>=16GB
RAM=하드_요구사항
가격=소프트_선호

문맥이 작업적 의미를 부여하지 않는 한 "아마," "좀," "꼭" 등을 정보로 해석하지 마세요.

완료 기준: 결과를 변경할 수 있는 모든 사실, 제약 조건, 선호사항, 종속성 및 불확실성이 표현되었습니다.

2단계 — 의미 압축(Semantic Compression)

자연어 구조를 간결한 의미 기본 요소(semantic primitives)로 대체하세요.

다음을 선호하세요:

가격<=500
RAM>=16GB
OS=WINDOWS

다음보다:

컴퓨터 가격은 500달러를 넘지 않아야 하고, 최소 16GB RAM이 있어야 하며, Windows가 실행되어야 합니다.

간결한 연산자를 일관되게 사용하세요:

=     같음
!=    같지 않음
>     보다 큼
<     보다 작음
>=    크거나 같음
<=    작거나 같음
&     그리고
|     또는
!     아님
->    원인 / 전이
=>    함의
?     불확실
@     문맥 / 연관

직접적인 의미 형식을 선호하세요:

가격<=500

다음 대신:

가격은 이상적으로 500달러를 넘지 않아야 합니다.

다음을 선호하세요:

사실:애플_아이폰15_출시=2023

다음 대신:

애플의 아이폰 15 출시는 2023년에 이루어졌으며, 이는 회사의 지속적인 제품 역사에서 중요한 순간을 나타냅니다.

두 번째 표현은 동등한 작업 정보를 추가하지 않으면서 상당히 많은 단어를 포함합니다.

완료 기준: 압축된 상태는 더 적은 의미 단위나 더 명확한 구조를 사용하여 동일한 의사 결정 관련 정보를 포함합니다.

3단계 — 구체성 보존(Preserve Specificity)

압축이 구체적인 정보를 일반적인 정보로 바꾸도록 허용하지 마세요.

나쁨:

사람=중요한_발명가

좋음:

사람=엘리아스_하우
사실=현대_잠금박음질_재봉틀_발명
년도=1845

나쁨:

회사=성공적

좋음:

회사=애플
수익=...
기간=...
출처=...

구체적인 정보는 일반적인 설명보다 더 가치 있습니다.

완료 기준: 어떤 구체적인 사실도 정보를 잃는 더 넓은 진술로 대체되지 않았습니다.

4단계 — 언어적 오버헤드 제거(Eliminate Linguistic Overhead)

정보를 처리하는 동안 의미적 가치가 거의 없는 구조를 적극적으로 제거하세요.

다음을 선호하세요:

이다
있다
사용했다
썼다
이동했다

다음과 같은 불필요하게 부풀려진 동등어 대신:

역할을_한다
특징으로_한다
활용되었다
저술했다
재배치했다

정교한 구성보다 직접적인 진술을 선호하세요:

원인=X

다음 대신:

이것은 X가 궁극적으로...에 기여한다는 것을 입증하는 역할을 하기 때문에 중요합니다.

다음을 추가하지 마세요:

중요성
유산
더_넓은_추세
미래_영향

해당 개념이 실제로 작업과 관련이 없는 한.

주제가 분석을 유도하는 것처럼 보인다고 해서 분석을 인위적으로 만들어내지 마세요.

완료 기준: 남아 있는 모든 언어 구성 요소는 의미적 기능을 수행합니다.

5단계 — 구조 위에서 추론(Reason Over Structure)

원래 산문을 반복적으로 재구성하는 대신 의미 상태(semantic state)에 대해 작업을 수행하세요.

예시:

작업:찾기
대상:노트북

요구사항:
OS=WINDOWS
RAM>=16GB
저장공간>=512GB
가격<=700

선호:
성능>배터리

후보 데이터:

A:가격=649 RAM=16 저장공간=512 성능=중 배터리=높음
B:가격=679 RAM=32 저장공간=1024 성능=높음 배터리=중
C:가격=599 RAM=8  저장공간=512 성능=높음 배터리=높음

필터링:

유효=A,B
거부:C RAM<16

순위:

B>A

결론:

최고=B

에이전트는 원래 요구사항을 산문 형식으로 반복해서 다시 말할 필요가 없습니다.

완료 기준: 현재 상태는 불필요한 자연어 맥락을 재구성하지 않고 다음 작업을 직접 지원합니다.

6단계 — 반복 개념 압축(Compress Repeated Concepts)

동일한 개체나 개념이 반복해서 나타나면 안정적인 참조(reference)를 할당하세요.

다음 대신:

로체스터 공과대학교
로체스터 공과대학교
로체스터 공과대학교

다음을 사용하세요:

RIT

여러 개체의 경우:

E1=RIT
E2=UB
E3=RPI

그런 다음:

비교:E1,E2,E3

해석하거나 기억하기 어려운 약어를 만들지 마세요.

완료 기준: 반복되는 개념은 안정적인 참조를 가지며 모호함 없이 재구성될 수 있습니다.

7단계 — 의사소통 경계에서만 확장(Expand Only at the Communication Boundary)

간결한 표현은 작업 형식(working format)이지, 자동으로 사용자에게 보여주는 형식이 아닙니다.

다음을 변환하세요:

최고=B
이유:
RAM=32
저장공간=1024
성능=높음

다음과 같이:

B는 적격 옵션 중에서 32GB RAM, 1TB 저장공간, 가장 강력한 성능을 갖추고 있기 때문에 최고의 선택입니다.

다음 경우가 아니라면 의미 표기법(semantic notation)을 노출하지 마세요:

사용자가 요청한 경우
표기법 자체가 유용한 경우
작업이 표현 자체에 관한 경우
사용자가 이 시스템을 사용하여 에이전트를 구축하거나 디버깅하는 경우

완료 기준: 사용자는 모든 관련 정보가 보존된 요청된 출력 형식을 받습니다.

빠른 참조

상황	표현
단순 사실	`사실:X=Y`
개체	`E1=개체`
요구사항	`요구사항:X=Y`
선호사항	`선호:X=Y`
제약 조건	`X>=Y`
조건	`만약:X 라면:Y`
불확실성	`X?`
비교	`A>B`
종속성	`A->B`
여러 값	`X={A,B,C}`
필터링	`필터:X>Y`
순위 지정	`정렬:X_내림차순`
목표	`목표:X`
결정	`최고:X`
증거	`출처:X`

일반적인 실수 / 안티패턴

❌ 단어 수 최적화 — 더 짧은 문자열이 자동으로 더 나은 표현은 아닙니다.
❌ 의미 삭제 — 사소해 보인다는 이유로 세부 사항을 제거하면 답이 바뀔 수 있습니다.
❌ 일반화된 대체 — 구체적인 사실을 "중요한," "성공적인," "의미 있는"과 같은 단어로 대체하면 정보가 파괴됩니다.
❌ 장식적 추론 — 작업 요구사항 없이 중요성, 유산, 영향 또는 더 넓은 추세를 추가하면 노이즈가 발생합니다.
❌ 어휘 부풀리기 — 같은 개념을 표현할 때 간단한 단어 대신 복잡한 동의어를 사용하면 언어적 오버헤드가 증가합니다.
❌ 반복 재진술 — 변경되지 않은 제약 조건을 상태로 유지하는 대신 반복해서 다시 말하면 표현이 낭비됩니다.
❌ 가짜 확실성 — 불확실성을 확정적인 값으로 압축하면 의미가 바뀝니다.
❌ 조기 약어 생성 — 불투명한 약어를 만들면 절약하는 것보다 더 많은 인지적 노력이 들 수 있습니다.
✅ 의미 압축 — 의미는 유지하면서 단어를 제거합니다.
✅ 구체성 보존 — 일반적인 요약 대신 정확한 사실을 유지합니다.
✅ 상태 재사용 — 정보를 한 번 저장하고 참조합니다.
✅ 직접적인 언어 — 의미를 유지하는 가장 간단한 표현을 선호합니다.
✅ 선택적 압축 — 모든 것을 무차별적으로 압축하지 않고 복잡한 상태를 압축합니다.
✅ 자연스러운 출력 — 최종 결과를 사용자가 기대하는 형식으로 확장합니다.

위험 신호 — STOP 및 재고

다음과 같은 생각이 든다면:

"이게 더 정교하게 들린다."
"이게 답을 더 중요하게 보이게 만든다."
"더 넓은 의미를 언급해야겠다."
"이 구체적인 사실을 일반적인 진술로 대체해도 될 것 같다."
"이 수식어가 문장을 더 좋게 만든다."
"완전함을 위해 이것을 다시 설명해야겠다."
"더 고급 단어를 사용하면 더 전문적으로 들릴 것이다."
"누락된 세부 사항을 추론해도 될 것 같다."
"짧을수록 자동으로 더 좋다."
"사용자는 이 정보가 제거된 것을 알아채지 못할 것이다."

멈추고 의미 추출로 돌아가세요.

일반적인 합리화

변명	현실

…

[번역 목적으로 잘림]

효율적 의미 중심 사고